用已知尺寸的視窗遍歷整個影象，生成很多子影象，漫無目的的搜尋。
selective search在rcnn和fast rcnn中用到，它的具體做法是將影象分割成很多小的區域，計算區域之間的相似度（顏色、紋理等等），結合各尺度結果，進行融合，形成大一些的region。具體參見
本文主要講解的是region proposal network，rpn是faster rcnn的核心，它的本質是基於滑窗的無類別obejct檢測器，影象每個位置有多種型別的anchor boxes（region proposal），用這些region proposal 訓練 faster rcnn，分類和框回歸通過梯度下降反向傳播調節網路引數，重新生成region proposal，再繼續訓練faster rcnn，不斷重複這個過程。
1、anchor
anchor就是feature map上的乙個畫素，以該anchor為中心，可以生成k種anchor boxes（region proposal），每個anchor boxes有著不同的寬高比和縮放比，**中使用的3種寬高比是（1:2，1:1，2:1），3種縮放比是（128，256，512），因此每個anchor產生9個anchor boxes。
2、rpn網路結構由三部分組成：
（1）頭部：生成anchor
（2）中部， 分類分支（cls） 和 邊框回歸分支（bbox reg） 分別對這堆anchor進行各種計算：
（ two stage型的檢測演算法在rpn 之後 還會進行 再一次 的 分類任務 和 邊框回歸任務，以進一步提公升檢測精度）
（3）尾部：通過對 兩個分支的結果進行彙總，來實現對anchor的 初步篩除（先剔除越界的anchor，再根據cls結果通過nms演算法去重）和 初步偏移（根據bbox reg結果），此時輸出的都改頭換面叫 proposal 了。
3、rpn生成這麼多的region proposal，如何去除質量不好的呢？
（1）nms：計算候選框和真實框的交並比，設定閾值threshold為0.7，只保留threshold>0.7的region proposal，這樣可以減少anchor boxes的數量。
（2）框回歸：使得anchor boxes的位置更接近真實值。
4、rpn分類分支，只需要判斷候選區域是否含有物體，而不必判斷是哪類物體，如何判斷region proposal中是否含有物體呢？
方法就是，在訓練的時候，用ground-truth bounding box做對比，若候選框與任意gt-box的iou>0.7，就認為是positive anchors，同時該gt-box的位置引數就是box regression任務的標籤。若與任意gt-box的iou<0.3，就認為是negative anchors，介於0.3和0.7之間的，丟棄。
目標檢測時的區域合併
在目標檢測過程中，可能會遇到這樣的情況 乙個目標被標記為多個區域。如果乙個目標被標記為多個區域，後續的跟蹤很容易出現跟錯 跟丟，這個情形在自動檢測場和是很避諱的。以下提供乙個避免的方法 通過一些條件判斷，可以將本為同一目標的區域辨識，前文應該講過判斷方法。中心距離在閾值範圍內 兩個區域存在交集 包含...
目標檢測中的example mining
目標檢測，一般分為2個部分，定位和分類,example mining是選擇出特定樣本來計算損失函式 從實際問題出發hard example應該就是指定位較困難或分類較困難或者兩者都困難的候選框。ssd的caffe中支援negative mining和hard example mining，當shar...
目標檢測中region proposal的作用
首先我們明確乙個定義，當前主流的object detection框架分為1 stage和2 stage，而2 stage多出來的這個stage就是regional proposal過程，明確這一點後，我們繼續講。regional proposal的輸出到底是什麼？我們首先看一下以faster r c...